بازگشت به جستجو

مخلوط سلسله مراتبی مولدها برای یادگیری خصمانه

عنوان	مخلوط سلسله مراتبی مولدها برای یادگیری خصمانه
نویسنده	احمد اوغلو، ا.، آلپایدین، احمد ابراهیم اثم
تاریخ انتشار:	2019
محل انتشار	- IEEE
نوع	سند
زبان	انگلیسی
دیجیتال	بله
نسخه خطی	خیر
کتابخانه:	دانشگاه اوزیغین
شناسه دارایی کتابخانه	2-s2.0-85110411379
شماره ثبت	a1912077-cbc7-4ec4-9708-565cf9e63254
محل کتابخانه	علوم کامپیوتر
تاریخ	2019
یادداشت‌ها	دانشگاه بوغازیچی TÜBİTAK ULAKBİM
متن نمونه	شبکه‌های متخاصم مولد (GAN) شبکه‌های عصبی عمیقی هستند که به ما امکان نمونه‌برداری از یک توزیع احتمال دلخواه را بدون تخمین صریح توزیع می‌دهند. یک مولد وجود دارد که یک بردار پنهان را به عنوان ورودی می گیرد و آن را به یک نمونه معتبر از توزیع تبدیل می کند. همچنین یک تمایز دهنده وجود دارد که آموزش دیده است تا چنین نمونه های جعلی را از نمونه های واقعی توزیع متمایز کند. در عین حال، ژنراتور برای تولید جعلی‌هایی آموزش داده می‌شود که متمایزکننده نتواند آن‌ها را از نمونه‌های واقعی تشخیص دهد. به جای یادگیری یک ژنراتور جهانی، یک رویکرد اخیر شامل آموزش چندین ژنراتور است که هر کدام از یک قسمت از توزیع مسئولیت دارند. در این کار، ما چنین رویکردهایی را بررسی می‌کنیم و ترکیب سلسله مراتبی ژنراتورها را با الهام از مدل ترکیبی سلسله مراتبی متخصصان پیشنهاد می‌کنیم که ساختار درختی را با اجرای یک خوشه‌بندی سلسله مراتبی با شکاف‌های نرم در گره‌های تصمیم‌گیری و ژنراتورهای محلی در برگ‌ها می‌آموزد. از آنجایی که ژنراتورها به آرامی ترکیب می شوند، کل مدل پیوسته است و می توان با استفاده از بهینه سازی مبتنی بر گرادیان، درست مانند مدل اصلی GAN، آموزش داد. آزمایش‌های ما بر روی پنج مجموعه داده تصویر، یعنی MNIST، FashionMNIST، UTZap50K، Oxford Flowers و CelebA، نشان می‌دهد که مدل پیشنهادی ما نمونه‌هایی با کیفیت و تنوع بالا از نظر معیارهای ارزیابی GAN محبوب تولید می‌کند. ساختار سلسله مراتبی آموخته شده نیز منجر به استخراج دانش می شود.
DOI	10.1109/ICPR48806.2021.9413249

مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات

دانشگاه اوزیغین

مخلوط سلسله مراتبی مولدها برای یادگیری خصمانه

نویسنده احمد اوغلو، ا.، آلپایدین، احمد ابراهیم اثم

تاریخ انتشار 2019

محل انتشار - IEEE

نوع سند

زبان انگلیسی

دیجیتال بله

نسخه خطی خیر

کتابخانه دانشگاه اوزیغین

شناسه دارایی کتابخانه 2-s2.0-85110411379

شماره ثبت a1912077-cbc7-4ec4-9708-565cf9e63254

محل کتابخانه علوم کامپیوتر

تاریخ 2019

یادداشت‌ها دانشگاه بوغازیچی TÜBİTAK ULAKBİM

متن نمونه شبکه‌های متخاصم مولد (GAN) شبکه‌های عصبی عمیقی هستند که به ما امکان نمونه‌برداری از یک توزیع احتمال دلخواه را بدون تخمین صریح توزیع می‌دهند. یک مولد وجود دارد که یک بردار پنهان را به عنوان ورودی می گیرد و آن را به یک نمونه معتبر از توزیع تبدیل می کند. همچنین یک تمایز دهنده وجود دارد که آموزش دیده است تا چنین نمونه های جعلی را از نمونه های واقعی توزیع متمایز کند. در عین حال، ژنراتور برای تولید جعلی‌هایی آموزش داده می‌شود که متمایزکننده نتواند آن‌ها را از نمونه‌های واقعی تشخیص دهد. به جای یادگیری یک ژنراتور جهانی، یک رویکرد اخیر شامل آموزش چندین ژنراتور است که هر کدام از یک قسمت از توزیع مسئولیت دارند. در این کار، ما چنین رویکردهایی را بررسی می‌کنیم و ترکیب سلسله مراتبی ژنراتورها را با الهام از مدل ترکیبی سلسله مراتبی متخصصان پیشنهاد می‌کنیم که ساختار درختی را با اجرای یک خوشه‌بندی سلسله مراتبی با شکاف‌های نرم در گره‌های تصمیم‌گیری و ژنراتورهای محلی در برگ‌ها می‌آموزد. از آنجایی که ژنراتورها به آرامی ترکیب می شوند، کل مدل پیوسته است و می توان با استفاده از بهینه سازی مبتنی بر گرادیان، درست مانند مدل اصلی GAN، آموزش داد. آزمایش‌های ما بر روی پنج مجموعه داده تصویر، یعنی MNIST، FashionMNIST، UTZap50K، Oxford Flowers و CelebA، نشان می‌دهد که مدل پیشنهادی ما نمونه‌هایی با کیفیت و تنوع بالا از نظر معیارهای ارزیابی GAN محبوب تولید می‌کند. ساختار سلسله مراتبی آموخته شده نیز منجر به استخراج دانش می شود.